椿　広計氏、永田　靖氏　対談：AI時代の管理技術のあり方を問う（上）＜2017年09月22日＞

◇解釈するのは人間
永田：最近、ＡＩ（人工知能）やＩｏＴ、ビッグデータなどが流行になっています。これらを
       従来の管理技術あるいは情報管理システムにどのように組む込むことができるかが課題
       となっています。統計センターにおられる椿先生からみて、この現状をどのように考え
       ていますか。

椿  ：ある統計調査で、こんな話があります。計算機に人間の代わりに、商品の自動分類を
       行わせるシステムを開発しました。これにより、70%位はエキスパートが行う分類を
       再現できたのです。機械に認識が不可能なものは、これまで通りエキスパートに分類
       を行ってもらうようにしました。しかし、折角、自動分類システムを開発しても、
       このやり方では生産性が殆ど上がりませんでした。その理由は、一項目でも計算機が
       パターン認識できなかったら、エキスパートが原データである商品情報を全部読み
       直して、分類をしなおさなければならなかったからです。後工程のエキスパートに
       対して計算機がどんな情報を渡さなければならないかということを、読み切れていな
       かったのです。自分たちの作業の70%以上を計算機に任せられるので、仕事の効率と
       質は良くなると思ったのですが、そのように単純なものではなかったのです。

永田：なるほど。それと似たようなことは、いろいろなところで発生していますね。

椿  ：これからはＡＩが大切で、ＡＩを導入すれば付加価値があると世の中では見られて
       いますが、実際にＡＩの後始末をする人間のことまでは考えられていません。

永田：ＡＩが常識では解釈しにくい解析結果を出してきたとき、その因果関係が本当に正しい
        かどうかは人が考えるしかありません。それを考えるためには、各技術者が統計的方法
        の応用力や品質管理の技術を養っておく必要がありますね。

椿  ：その通りです。人間のとった既存データからＡＩが学習しても、それは人間以上には
       なりません。ですが、ＡＩ自ら、実験計画法のように、今までにないデータを創って、
       どのような点で何が起こるかということをシミュレーションするようになれば、人間を
       超える知識を獲得します。それをまた人間が解釈することでスパイラルアップしていく
       でしょう。そういう形なら別ですが、今のビッグデータの発想は、多くのデータを分析
       すれば人間よりＡＩが賢くなると思っている。それはほとんど幻想で、やはり「実験
       計画法」のようなセンスがなければ、ＡＩは人間の能力を超え、あるいは人間に対して
       示唆的なことを示す状況にはなりません。
 

◇ＡＩは人間の仕事を奪わない
永田：戦後に始まった日本の品質管理教育は、かなり体系化され、今に至っています。
       その中で、基本的な観点として「企業は人なり」ととらえ、人が企業を豊かにする
       と考えてきました。企業は誰のものかと考えたとき、まさに従業員のものであり、
       その地域のまわりの人たちのものという意識がわが国にはある。従業員を大事にする、
       力量をつけてあげる、良い仕事の機会を与える。わかるということは素晴らしいし、
       それで企業の問題が改善していったらよいと思っています。昨今、ＡＩが人間の仕事
       を奪うということがいわれていますが、ある意味で「そうだな」と思える部分もある
       のですが、ＡＩが出してくるものを人が読み解くための教育が必要です。
　    ＡＩはとにかく強力だし、プロの囲碁棋士にも名人にも勝ってしまう。しかしながら、
       そのようなＡＩのoutputに対して、ブラックボックスにならないように、「それは
       因果関係が逆」とか「これは擬似相関」というように、人が判断することが必要です。
       そのために、技術者は、因果関係が存在するのかどうかをいつも考える癖をつけて
       おかなければなりません。

椿  ：ビッグデータの時代なので、それに対応できる人材を供給するために、政府は予算を
       つけています。しかし、どのようなことができる人が必要なのか、どのようなことを
       教えればいいのかが、必ずしも明確になっていないことが問題だと感じています。

永田：ビッグデータから情報を得ていろいろな活動に結び付けましょうというのは、一つの
        専門職として非常にわかりやすいですね。一方、ビッグデータを品質管理の枠組みで
        考えると、必ずしもビッグデータからどういう情報が得られるかというアルゴリズムに
        明るくない人でも、品質管理の仕事はできると思います。
    　 ビッグデータの先進企業を見にいったことがあるのですが、そのとき、ビッグデータ解析
        を行う部署は品質保証部、品質管理部ではなく、情報関連の部門でした。情報関連部門
        では必ずしも品質管理やＰＤＣＡの考え方まで理解が深いわけではないのですが、デー
        タの入出力のアルゴリズムやプロセスの情報システムには精通しています。それを品質
        管理活動に結び付けていくことが、これからは求められています。そのためには我田引
        水ですがＳＱＣ（Statistical Quality Control：統計的品質管理）の重要性がますます
        高まるという印象をもちました。
 

◇品質管理部門と情報部門との連携
永田：会社の中で、品質保証や問題解決を推進する部署とＩＴやビッグデータ解析をして
        いる部署が違うので、その部署間の意思疎通を図らなければならないという課題が
        あります。

椿  ：本来、品質保証や品質マネジメントをやっている方々は、問題解決の標準シナリオとか
       困難な問題で何が起きているかという問題点の勘所みたいなところに関する体系をもって
       おられた。この問題解決プロセスのモデルをメタモデルと呼びたいのです。これからデー
       タ分析や予測分析で社会に経済的価値を実現しようとする人たちは、このメタモデルの下
       で活動しなければ、本当はおかしい。何かをアルゴリズムを適用したら何か価値が出てく
       るという発想では、ビジネスは動かないと思います。

永田：現在、そしてこれから、品質保証、品質管理の部門と、いわゆる先端のＡＩなどの部門が
       どれだけ連携しているのかが、あまり見えてきません。

椿  ：何となくブームでやっているＡＩよりは、問題解決のどのフェーズで、何を使って何を
       するかというシナリオ自体を理解する能力は、品質管理をやっている人たちの方が強い
       と思います。

永田：とはいえ、今後、企業の改善問題に関しては、実証データをインプットするとＡＩが
        対処のシナリオを提案してくるということが考えられるのではないですか？

椿  ：体系化すればするほど、そういう行為はＡＩ的なことになってくるのでしょう。
       でも人間のことは人間がやるのがいいと思います。
 

◇多くの経済活動は人間が相手
永田：人間相手というところは、ＡＩは苦手かもしれません。

椿  ：ほとんどの産業活動では、人間に対して働きかけるところで価値が出てくる時代に
       なりました。ＡＩが「この人はこういう人で、こういうことに反応した」と現状把
       握をしたところでＡＩがその人に語りかけて何かをするのではなく、人が人を動か
       すわけです。

永田：そういう意味で品質管理教育は変わらなければいけないと思いますが、今の基礎的な
        部分の重要性には変わりはないと考えてよろしいでしょうか。

椿  ：もちろんＱＣストーリーの普遍性については疑いのないところです。日本の品質管理
       については日本発のものがたくさんあり、海外でも取り入れられて、いろいろな経営
       の先生たちが理論化し、また日本に逆輸入するということが行われてきました。

永田：確かに、今、異常検知が脚光を浴びていますが、品質管理では管理図を書いて異常が
        出たら徹底的に追求しましょうということは昔からやっていました。

椿  ：日本の品質管理では、異常検知では悪いほうの異常だけではなく、良いほうの異常でも
       アクションをとっています。世界の異常検知はまだ、まだ悪いほうの異常ばかり考え、
       良くなるほうの異常は考えていません。

永田：そうですね。管理図では良い方向の管理はずれでも異常と考え、改善のヒントにしな
        さいと指南してきました。これは、今考えると、先人のすごい考え方だったのかもしれ
        ません。ＡＩによって予測はより精度よくできるようになったとしても、介入する、
        すなわち今と違う状況に変化させるためには、ＡＩでは難しいのではないでしょうか。

椿  ：新技術とか新サービスとか、人に対して何か働きかけるというアクティブなことをやる
       ことに対して、ＡＩはまだまだだと思います。単にＡＩ同士が交流して出てきた受動的な
       情報ではなく、その場で人に働きかけて何かになる。それは重要ですがビッグデータとは
       少し違う側面だと思っています。（（下）に続く）

• 多変量解析法セミナー入門コース
• 多変量解析法セミナー・グラフィカルモデリング
• 多変量解析法セミナー・共分散構造分析
• モノづくりにおける機械学習セミナーベーシックコース
• モノづくりにおける機械学習セミナー入門コース
• モノづくりにおける機械学習セミナーベーシックコース
• 技術力で差をつけるための実験計画法実践セミナーエキスパートコース